LabelPropagation

classsklearn.semi_supervised.LabelPropagation(kernel='rbf', *, gamma=20, n_neighbors=7, max_iter=1000, tol=0.001, n_jobs=None)[исходный код]

Классификатор распространения меток.

Подробнее см. в руководстве пользователя.

Параметры:

kernel{‘knn’, ‘rbf’} или вызываемый объект, по умолчанию=’rbf’

Строковый идентификатор используемой функции ядра или сама функция ядра. Допустимы только строки ‘rbf’ и ‘knn’. Передаваемая функция должна принимать два входа размерности (n_samples, n_features) и возвращать матрицу весов размерности (n_samples, n_samples).

gammafloat, по умолчанию=20

Параметр ядра rbf.

n_neighborsint, по умолчанию=7

Параметр ядра knn, который должен быть строго положительным.

max_iterint, по умолчанию=1000

Изменяет максимальное допустимое число итераций.

tolfloat, по умолчанию=1e-3

Допуск сходимости: порог, при котором система считается находящейся в стационарном состоянии.

n_jobsint, по умолчанию=None

Число параллельных заданий. None означает 1, если только не используется контекст joblib.parallel_backend. -1 означает использование всех процессоров. Подробнее см. в глоссарии.

Атрибуты:

X_{array-like, sparse matrix} формы (n_samples, n_features)

Входной массив.

classes_ndarray формы (n_classes,)

Различные метки, используемые для классификации экземпляров.

label_distributions_ndarray формы (n_samples, n_classes)

Категориальное распределение для каждого элемента.

transduction_ndarray формы (n_samples)

Метка, назначенная каждому элементу во время обучения.

n_features_in_int

Число признаков, обнаруженных во время обучения.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Названия признаков, обнаруженных во время обучения. Определяется только в том случае, если X содержит названия признаков, все из которых являются строками.

Добавлено в версии 1.0.

n_iter_int

Число выполненных итераций.

См. также

LabelSpreading

Альтернативная стратегия распространения меток, более устойчивая к шуму.

Литература

Xiaojin Zhu и Zoubin Ghahramani. Обучение на размеченных и неразмеченных данных с помощью распространения меток. Технический отчет CMU-CALD-02-107, Университет Карнеги — Меллона, 2002 http://pages.cs.wisc.edu/~jerryzhu/pub/CMU-CALD-02-107.pdf

Примеры

>>> import numpy as np
>>> from sklearn import datasets
>>> from sklearn.semi_supervised import LabelPropagation
>>> label_prop_model = LabelPropagation()
>>> iris = datasets.load_iris()
>>> rng = np.random.RandomState(42)
>>> random_unlabeled_points = rng.rand(len(iris.target)) < 0.3
>>> labels = np.copy(iris.target)
>>> labels[random_unlabeled_points] = -1
>>> label_prop_model.fit(iris.data, labels)
LabelPropagation(...)

fit(X, y)[исходный код]

Обучает модель распространения меток с частичным обучением на X.

Параметры:

X{array-like, sparse matrix} формы (n_samples, n_features)

Обучающие данные, где n_samples — число образцов, а n_features — число признаков.

yarray-like формы (n_samples,)

Значения целевых классов; неразмеченные точки обозначаются значением -1. Всем неразмеченным образцам метки будут назначены методом трансдукции внутри модели и сохранены в transduction_.

Возвращает:

selfobject

Возвращает сам экземпляр.

get_metadata_routing()[исходный код]

Получить настройки маршрутизации метаданных этого объекта.

О том, как работает механизм маршрутизации, см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценщика и содержащихся в нём подобъектов, которые являются оценщиками.

Возвращает:

paramsdict

Названия параметров, сопоставленные их значениям.

predict(X)[исходный код]

Выполнить индуктивный вывод с помощью модели.

Параметры:

Xarray-like формы (n_samples, n_features)

Матрица данных.

Возвращает:

yndarray формы (n_samples,)

Предсказания для входных данных.

predict_proba(X)[исходный код]

Предсказать вероятность каждого возможного результата.

Вычислить оценки вероятности для каждого отдельного образца в X и каждого возможного результата, встречавшегося при обучении (категориальное распределение).

Параметры:

Xarray-like формы (n_samples, n_features)

Матрица данных.

Возвращает:

probabilitiesndarray формы (n_samples, n_classes)

Нормированные распределения вероятностей по меткам классов.

score(X, y, sample_weight=None)[исходный код]

Возвращает точность на предоставленных данных и метках.

В многометочной классификации это точность по подмножеству — строгая метрика, поскольку для каждого образца необходимо правильно предсказать весь набор меток.

Параметры:

Xarray-like формы (n_samples, n_features)

Тестовые образцы.

yarray-like формы (n_samples,) или (n_samples, n_outputs)

Истинные метки для X.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса образцов.

Возвращает:

scorefloat

Средняя точность self.predict(X) относительно y.

set_params(**params)[исходный код]

Задать параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (например, Pipeline). Параметры последних имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_score_request(*, sample_weight:bool|None|str='$UNCHANGED$') → LabelPropagation[исходный код]

Настроить, следует ли запрашивать передачу метаданных методу score.

Обратите внимание, что этот метод имеет значение только тогда, когда данный оценщик используется как подчинённый оценщик в составе метаоценщика и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). О том, как работает механизм маршрутизации, см. в руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и передаются в score, если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и метаоценщик не передаёт их в score.
• None: метаданные не запрашиваются, и метаоценщик вызовет ошибку, если пользователь их предоставит.
• str: метаданные должны передаваться метаоценщику под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет текущий запрос. Это позволяет изменить запрос для одних параметров, не меняя его для остальных.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight в score.

Возвращает:

selfobject

Обновлённый объект.